Rime Prism vs Qwen-Audio-3.0-TTS: En konversationsmotor mot ett röstlager

Rime Prism fakturerar $0,080 per minut. Ett fem minuter långt supportssamtal kostar $0,40, och de $0,40 täcker lyssnandet, resonerandet, turtagningen och talet i en och samma modell. Qwen-Audio-3.0-TTS fakturerar $19,30 per miljon tecken, vilket för samma samtal blir ungefär $0,10 – bara för själva talet. Ställer man siffrorna bredvid varandra ser jämförelsen ut att vara avgjord till Qwens fördel. Den är inte avgjord, eftersom de två modellerna inte konkurrerar om samma plats i en stack, och skillnaden på $0,30 är mest priset för att stryka två överlämningar från vägen mellan en uppringares mening och ett svar.

Rime lanserade Prism den 28 oktober 2026, dagen innan den här sidan skrevs. Det är en tal-till-tal-modell, inte en text-till-tal-modell: den lyssnar på ljud, utarbetar ett svar, skriver svaret som text som ett program kan granska och talar sedan – medan den fortfarande lyssnar. Alibaba tillkännagav Qwen-Audio-3.0-TTS på WAIC den 20 juli 2026, i en Plus-nivå för kvalitet och en Flash-nivå för realtid. Den modellen tar text och returnerar ljud, punkt slut. Alibaba ersatte den med Qwen-Audio-3.1-TTS den 23 september 2026, så 3.0 i den här rubriken är redan den föregående generationen av sin egen familj – en detalj som återkommer senare och ändrar vad du egentligen borde köpa.

Den användbara frågan är inte vilket som låter bättre. Det är vilket du visar för en uppringare, och hur resten av diagrammet måste se ut om du gör det.

Två produkter, en plats i diagrammet

En konventionell röstagent är en kaskad: taligenkänning omvandlar den uppringandes ljud till text, en språkmodell avgör vad som ska sägas, text-till-tal omvandlar svaret tillbaka till ljud. Varje led är en plats där den uppringandes accent kan gå förlorad, där ett utfyllnadsord tappas bort, där 200 millisekunder tillkommer.

Rimes argument är att kaskaden kastar bort något som den inte kan återvinna. I en kaskad hör språkmodellen aldrig hur den som ringer sa saken – sucken, den stigande tonhöjden i slutet av en fråga, pausen före ett kreditkortsnummer – eftersom allt den får emot är en transkription. Prism bevarar den akustiska signalen intakt hela vägen genom beslutet och skickar sedan ut text som en kontrollpunkt i stället för som ett mellanformat.

Det är en verklig arkitektonisk skillnad och det är hela grunden för produkten. Det innebär också att Prism inte är en direkt ersättning för en TTS-motor. Lägger du in den i sista steget i en kaskad har du köpt en dyr talsyntes som först behöver höra den som ringer. Lägger du in Qwen-Audio-3.0-TTS i Prisms plats får du en modell som inte kan höra någonting alls.

Vad Rime Prism faktiskt säljer

Prism är den första modellen som Rime har lanserat som entfernar STT- och LLM-stegen snarare än optimerar ett av dem. Textlagret är den funktion som företagsköpare bryr sig om: en policykontroll, ett PII-filter eller en mänsklig övervakare kan läsa de exakta ord som är på väg att sägas, och eftersom modellen fortfarande lyssnar medan kontrollen körs behöver pausen inte vara hörbar. Verktygsanrop körs parallellt med talet snarare än före det, vilket är ett annat sätt att dölja latensen vid en databassökning än den vanliga "låt mig bara kolla det åt dig"-pausen.

De publicerade siffrorna, alla från Rime: 0,57 sekunder till första ljudet på τ-Voice-benchmarken, 56,6 % uppgiftsgenomförande på den benchmarken och 82,5 % på dess telekomdelmängd. En Revmo-provning på cirka tio timmar av verkliga beställningssamtal anges visa 100 % orderbekräftelser mot 68 % för en namnlös OpenAI-modell, med 85 % av samtalen fria från hallucinationer mot 35 %. Dessa försökssiffror kommer från en kundfallsstudie som Rime beställt; metodiken är inte publicerad och ingen har reproducerat den.

Prissättningen är per minut av samtalsljud och följer samma modell på alla nivåer: $0,080/min på Flex utan månadsavgift, $0,064/min på Scale för $100 i månaden inklusive $100 i kredit som rullar över till $200, och volympriser på Enterprise. Gratis konton får $50 i månatlig kredit. Prism strömmar över WebSockets och levereras med integrationer för LiveKit och Pipecat. API:er för självbetjänad SFT- och RL-finjustering är i beta och inte allmänt tillgängliga; Enterprise-nivån är där lokal och VPC-driftsättning, anpassade röster, ett HIPAA BAA och SOC 2 Type II finns.

Vad Qwen-Audio-3.0-TTS egentligen säljer

Qwen-Audio-3.0-TTS är en syntetiserare med ovanlig kontroll. Den accepterar inline-taggar för inlevelse – [gasp], [laughs], [angry] – inbäddade i själva texten, så att känsla knyts till en rollfigur i stället för till ett helt stycke. Den täcker 16 språk och 20 kinesiska dialekter, genererar upp till tre minuter i en enda begäran vid 48 kHz och levereras med ett bibliotek på över 1 000 röster. Plus-nivån är kvalitetsnivån; Flash riktar sig mot realtidsinteraktion och Alibabas dokumentation anger latensen för första paketet till under 200 millisekunder, medan tidigare lanseringsrapportering angav ungefär 300.

Listpriset är 0,19253 USD per 10 000 tecken i Beijing-regionen och 0,20 USD i Singapore, vilket motsvarar 19,30–20 USD per miljon tecken – siffran som Artificial Analysis anger på sin resultattavla. Genomströmningen är begränsad till 180 förfrågningar per minut i båda regionerna. Det finns inga vikter, inget alternativ för självhosting och ingen on-premises-lösning: om Alibabas regioner är ett problem i din granskning av datalagringskrav är den här modellen helt enkelt inte tillgänglig för dig.

Resultattavlan

• Kategori — Rime Prism lyssnar på ljud och svarar med tal; Qwen-Audio-3.0-TTS tar text och returnerar ljud.

• Lansering — Prism den 28 oktober 2026; Qwen-Audio-3.0-TTS den 20 juli 2026, ersatt av Qwen-Audio-3.1-TTS den 23 september 2026.

• Faktureringsenhet — Prism $0,080 per minut av samtalsljud på Flex, $0,064 på Scale; Qwen $19,30 per miljon tecken på Plus, cirka $13,75 till $15 per miljon på Flash.

• Latens — Prism 0,57 s tid till första ljud, leverantörsmätt; Qwen Flash under 200 ms till första paket enligt Alibabas dokumentation.

• Oberoende poäng — Prism har ingen på Artificial Analysis Speech-to-Speech Index; Qwen-Audio-3.0-TTS-Plus ligger på Elo 1 269, sexa av 99 på Text-to-Speech Arena enligt listan den 29 oktober 2026.

• Språk – Prism endast engelska vid lansering; Qwen 16 språk plus 20 kinesiska dialekter.

• Driftsättning — Prism moln, VPC eller on-premises med HIPAA BAA och SOC 2 Type II på Enterprise; Qwen endast via Alibaba Cloud Model Studio.

Femminuterssamtalet, prissatt

Anta ett femminuters inkommande supportsamtal där agenten talar ungefär 1 000 tecken per minut – Rimes egen pris-FAQ använder den kvoten för att konvertera mellan sin teckenbaserade TTS och sin minutbaserade Prism, så det är en rimlig gemensam nämnare. Det motsvarar 5 000 tecken tal.

På Prism blir kostnaden fem minuter à $0.080, eller $0.40. Med Scale-priset är den $0.32. Tiotusen sådana samtal kostar $4,000 respektive $3,200.

I en kaskad byggd kring Qwen-Audio-3.0-TTS-Plus kostar de 5 000 tecknen 0,0965 dollar. Lägg till Rimes egen taligenkänning för 0,002 dollar per minut – fem cent för samtalet – och en textmodell för resonemanget. Med ett blandat pris på 0,50 dollar per miljon token och några tusen token per tur blir det långt under en cent. Kaskaden landar på nära 0,11 dollar per samtal, eller cirka 1 100 dollar för tio tusen samtal. Flash i stället för Plus sänker syntesposten till ungefär 0,069 dollar i Peking och totalen till omkring 0,08 dollar.

Kaskaden kostar ungefär en fjärdedel av Prisms pris, och gapet ligger på 2 900–3 200 dollar per tio tusen anrop. Det är listpriser och antagandena är våra, inte Rimes; poängen är hur gapet ser ut, inte tredje decimalen.

Mitten av den kaskaden är också den enda komponenten du kan flytta utan att röra de andra två. OrcaRouter dirigerar textmodeller bakom ett enda API – fler än 200 modeller, leverantörens listpris vidarebefordras med 0 % påslag, och automatisk failover när en leverantörs tjänst försämras mitt i en konversation – så att resonemangssteget kan omdirigeras till en billigare eller starkare modell mellan anropen. Prisms textcheckpoint är vanlig text av samma skäl: oavsett vad som konsumerar den, från verktygsanrop till sammanfattning efter anropet till QA-bedömning, kan den ligga på en dirigerad slutpunkt och förbli oberoende av röstlagret nedanför.

Där kaskaden fortfarande vinner

Flerspråkiga kontaktcenter, till exempel. Prism är vid lansering endast på engelska, med en begränsad uppsättning röster. Qwen-Audio-3.0-TTS levereras med 16 språk och 20 kinesiska dialekter – och dess efterföljare tillför klangfärgsöverföring mellan språk för mandarin, kantonesiska, engelska och japanska. Om en betydande andel av dina samtalare inte talar engelska, är den här jämförelsen avgjord redan på databladet.

Engångsgenerering är det andra fallet. IVR-prompter, utgående meddelanden, ljudbokskapitel, speldialog: ingen av dem innebär att en uppringare talar tillbaka, så det finns inget för en tal-till-tal-modell att lyssna på. Att betala $0.080 per minut för en modell som kan lyssna när ingen talar är att betala för en oanvänd halva.

Volym är den tredje. Med en fjärdedel av kostnaden per anrop lämnar en kaskad utrymme i budgeten för de delar som faktiskt särskiljer en agent – bättre hämtning, en starkare resonemangsmodell, routing för eskalering till människa.

Där Prism fortfarande vinner

Reglerad inkommande telefontrafik är det fall som Prism byggdes för. En bank som måste kunna visa vad dess agent var på väg att säga, och blockera det innan en kund hör det, kan inte göra det med en sammansmält realtidsmodell och kan bara approximera det med en kaskad vars textsteg är en separat tjänst med sin egen latens och sitt eget felläge. Prism placerar kontrollpunkten inuti modellen och fortsätter lyssna genom den.

Den vinner också på måttet som avgör om ett samtal känns mänskligt: död tystnad. En kaskad som är snabb på pappret staplar ändå endpointing, modellens tid till första token och syntesens tid till första paket, och en kaskad som landar under en sekund från början till slut gör det bra. Prism mäter 0,57 sekunder från slutet av den som ringer:s tur till det första ljudet i svaret, i ett enda hopp.

Och det vinner på driftsättning för de köpare som överhuvudtaget inte kan använda en kinesisk molnregion — VPC, on-premises, ett HIPAA BAA, SOC 2 Type II och finjustering på dina egna samtalsinspelningar i stället för på en delad bas.

Siffran som ingen av sidorna kan ge dig

Ingen av modellerna har det mätvärde som ett inköpsteam helst skulle vilja ha: en oberoende direkt jämförelse på samma benchmark.

Prism finns inte med i Artificial Analysis Speech-to-Speech Index. Dess siffra på 56,6 % för τ-Voice är ett resultat som leverantören själv har kört, och tabellen som Rime publicerar tillsammans med den är värd att läsa noggrant: GPT-Live-1 (Sol, low) är inritad på 59,3 %, högre än Prism, medan texten runtomkring säger att Prism är "före alla realtidsmodeller från OpenAI och Google." Lanseringsinlägg citerar också "under 300 ms" och "4× snabbare än GPT-Live", siffror som inte finns i benchmarktabellen, som anger 0,57 s. Olika mätningar kan förklara skillnaden; sidan gör det inte.

Qwens siffra är den starkare, eftersom 1 269 Elo kommer från blindlyssnarnas röster snarare än från Alibaba. Den är inte heller längre den bästa siffran i sin egen familj: Qwen-Audio-3.1-TTS-Plus ligger trea på 1 305 sedan den 29 oktober 2026, och revideringar från Artificial Analysis har flyttat den här rankingen mer än en gång i år, så poäng från olika ögonblicksbilder bör aldrig subtraheras från varandra.

Försiktigheten som är specifik för Rime slår åt andra hållet. De enda Rime-röster som har rankats oberoende är dess TTS-modeller, och på samma topplista ligger Coda på 65:e plats med Elo 1 054 och Mist V2 på 92:a plats med 903 – den nedre halvan av 99. Prism kan väl tänkas låta bättre än sina syskon; inget som publicerats gör det möjligt för en köpare att bekräfta det innan avtalet undertecknas.

Vad du ska titta på

Tre saker skulle ändra rekommendationen. Om Prism dök upp i Speech-to-Speech Index skulle det ge den första oberoende siffra den någonsin har haft. Full-duplex-drift – Prism är halvduplex med barge-in vid lansering – skulle öka gapet mot varje kaskad som måste vänta på att den som ringer ska prata klart. Och att de självbetjänade finjusterings-API:erna lämnar beta är skillnaden mellan "företag kan finjustera" och "du kan finjustera på tisdag."

På andra sidan kan du se vad Alibaba gör med prissättningen för Qwen-Audio-3.1-TTS efter den ungefär 70-procentiga sänkning som genomfördes den 22 september 2026. En kaskad där både det mellersta och det sista hoppet blir billigare är ett rörligt mål, och Prisms minutpris är fast i förhållande till det.

För de flesta team är det ärliga svaret både och, inte antingen eller. Sätt Prism framför inkommande uppringare vars samtal behöver en kontrollpunkt och en latensbudget för ett enda hopp. Sätt Qwen-Audio-3.0-TTS – eller, mer realistiskt nu, Qwen-Audio-3.1-TTS – i de utgående vägarna där ingen talar tillbaka och debiteringen sker per tecken. Misstaget är att välja endast ett av dem för att en benchmark-tabell säger det, när tabellen har en fotnot och fotnoten gör det mesta av jobbet.